TauricResearch/TradingAgents

# TradingAgents：多智能体 LLM 金融交易框架 ## 新闻 - [2026-02] **TradingAgents v0.2.0** 发布，支持多提供商 LLM (GPT-5.x, Gemini 3.x, Claude 4.x, Grok 4.x) 并改进了系统架构。 - [2026-01] **Trading-R1** [技术报告](https://arxiv.org/abs/2509.11420) 发布，[Terminal](https://github.com/TauricResearch/Trading-R1) 预计即将推出。 ## TradingAgents 框架 TradingAgents 是一个多智能体交易框架，模拟现实世界交易公司的运作模式。通过部署专门的 LLM 驱动智能体：从基本面分析师、情绪专家、技术分析师到交易员、风险管理团队，平台通过协作评估市场状况并指导交易决策。此外，这些智能体进行动态讨论以确定最佳策略。

我们的框架将复杂的交易任务分解为专门的角色。这确保系统在市场分析和决策制定方面实现稳健、可扩展的方法。 ### 分析师团队 - 基本面分析师：评估公司财务状况和绩效指标，识别内在价值和潜在风险信号。 - 情绪分析师：使用情绪评分算法分析社交媒体和公众情绪，衡量短期市场情绪。 - 新闻分析师：监控全球新闻和宏观经济指标，解读事件对市场状况的影响。 - 技术分析师：利用技术指标（如 MACD 和 RSI）检测交易模式并预测价格走势。

### 研究员团队 - 包括看涨和看跌的研究员，他们批判性地评估分析师团队提供的见解。通过结构化辩论，他们平衡潜在收益与固有风险。

### 交易智能体 - 综合分析师和研究员的报告，做出明智的交易决策。它根据全面的市场洞察确定交易的时机和规模。

### 风险管理和投资组合经理 - 通过评估市场波动性、流动性和其他风险因素，持续评估投资组合风险。风险管理团队评估并调整交易策略，向投资组合经理提供评估报告以供最终决策。 - 投资组合经理批准/拒绝交易提案。如果批准，订单将被发送到模拟交易所并执行。

## 安装与 CLI ### 安装 克隆 TradingAgents： ``` git clone https://github.com/TauricResearch/TradingAgents.git cd TradingAgents ``` 在你喜欢的任何环境管理器中创建虚拟环境： ``` conda create -n tradingagents python=3.13 conda activate tradingagents ``` 安装依赖： ``` pip install -r requirements.txt ``` ### 必需的 API TradingAgents 支持多个 LLM 提供商。为你选择的提供商设置 API 密钥： ``` export OPENAI_API_KEY=... # OpenAI (GPT) export GOOGLE_API_KEY=... # Google (Gemini) export ANTHROPIC_API_KEY=... # Anthropic (Claude) export XAI_API_KEY=... # xAI (Grok) export OPENROUTER_API_KEY=... # OpenRouter export ALPHA_VANTAGE_API_KEY=... # Alpha Vantage ``` 对于本地模型，请在配置中设置 `llm_provider: "ollama"` 来配置 Ollama。 或者，将 `.env.example` 复制到 `.env` 并填入你的密钥： ``` cp .env.example .env ``` ### CLI 使用 你也可以直接运行以下命令尝试 CLI： ``` python -m cli.main ``` 你将看到一个屏幕，可以在其中选择所需的股票代码、日期、LLM、研究深度等。

将出现一个界面，显示加载中的结果，让你可以追踪智能体的运行进度。

## TradingAgents 包 ### 实现细节 我们使用 LangGraph 构建 TradingAgents 以确保灵活性和模块化。该框架支持多个 LLM 提供商：OpenAI、Google、Anthropic、xAI、OpenRouter 和 Ollama。 ### Python 使用 要在代码中使用 TradingAgents，你可以导入 `tradingagents` 模块并初始化一个 `TradingAgentsGraph()` 对象。`.propagate()` 函数将返回一个决策。你可以运行 `main.py`，这里也有一个简单的示例： ``` from tradingagents.graph.trading_graph import TradingAgentsGraph from tradingagents.default_config import DEFAULT_CONFIG ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy()) # 前向传播 _, decision = ta.propagate("NVDA", "2026-01-15") print(decision) ``` 你也可以调整默认配置来设置你自己选择的 LLM、辩论轮数等。 ``` from tradingagents.graph.trading_graph import TradingAgentsGraph from tradingagents.default_config import DEFAULT_CONFIG config = DEFAULT_CONFIG.copy() config["llm_provider"] = "openai" # openai, google, anthropic, xai, openrouter, ollama config["deep_think_llm"] = "gpt-5.2" # Model for complex reasoning config["quick_think_llm"] = "gpt-5-mini" # Model for quick tasks config["max_debate_rounds"] = 2 ta = TradingAgentsGraph(debug=True, config=config) _, decision = ta.propagate("NVDA", "2026-01-15") print(decision) ``` 有关所有配置选项，请参见 `tradingagents/default_config.py`。 ## 贡献指南 我们欢迎社区的贡献！无论是修复 bug、改进文档，还是建议新功能，你的输入都有助于改进这个项目。如果你对这一研究方向感兴趣，请考虑加入我们的开源金融 AI 研究社区 [Tauric Research](https://tauric.ai/)。 ## 引用 如果你觉得 *TradingAgents* 对你有所帮助，请引用我们的工作 :) ``` @misc{xiao2025tradingagentsmultiagentsllmfinancial, title={TradingAgents: Multi-Agents LLM Financial Trading Framework}, author={Yijia Xiao and Edward Sun and Di Luo and Wei Wang}, year={2025}, eprint={2412.20138}, archivePrefix={arXiv}, primaryClass={q-fin.TR}, url={https://arxiv.org/abs/2412.20138}, } ```

标签：AI交易, AI风险缓解, DLL 劫持, DNS解析, LLM框架, Petitpotam, PyRIT, Python, TauricResearch, 决策系统, 加密货币, 多智能体系统, 大语言模型, 对冲基金, 开源项目, 强化学习, 无后门, 智能投研, 深度学习, 股票预测, 自动交易, 逆向工具, 量化分析, 量化投资, 金融交易, 金融工程, 金融科技